华为云云耀云服务器L实例评测｜ ultralytics最先进模型YOLOv8深度学习AI训练

清疚 2024-04-23 20:18 4阅读 0赞

**目录**

前言

登录服务器

安装pyhton

部署yolov8

安装Pytorch

下载权重文件

训练模型

模型使用

--------------------

### 前言 ###

前几期我们在云耀云服务器L实例上分别使用docker和直接在centos上部署了yolov5识别API，前端项目vue，后端项目.net Core Web Api,但是从监控图上来看，都没什么压力，调用接口也很流畅。

![2826ae4b64c24a3c9d9341d2e5301e0e.png][]

在实例介绍中看到，华为云擎天架构加持，软硬协同结合顶尖AI算法智能调度。于是有了一个疯狂的想法，这期我们给服务器来点压力，\[坏笑!\]，这期我们要在服务器上部署yolov8进行AI模型训练。

YOLOv8 发布于2023 年 1月 10 号，是 ultralytics 公司在 开源的 YOLOv5 的下一个重大更新版本，是一种尖端的、最先进的 （SOTA） 模型

![bb2c366970f64688b97399e0d2e63aa2.png][]

## 登录服务器 ##

因为要训练AI模型，我们要处理图片，查看图片效果，方便起见，这次服务器我选择了系统镜像Windows Server

![307da2a35126403b96ae1122bee41e60.png][]

拿到服务器，第一步还是要重置密码，在控制台，找到对应的服务器，点击操作列的更多、重置密码。

![40496a4c9c124d40951b76a45c6dc1d5.png][]

记得一定要勾选自动重启，这样我们的密码才能立马生效！![ed8169455d514832852b578d13c0dca4.png][]

然后我们有两种方式来登录，一种是直接点击操作列的远程登录，在其他方式这里，点击立即登录来使用控制台提供的VNC方式登录！

![7e40d87ba9f446d588dd384423b6eae5.png][]

或者快捷键Win + R ，在弹出的页面中输入 mstsc，确定！

![1e6211181f7f481da0aae121def1f892.png][]

然后在弹出的远程桌面连接中，输入我们服务器的弹性IP

![5b674b59ad004805a632cac14b47b45c.png][]

然后在验证界面，点击下面的更多选择，选择其他账户

> 用户名：Administrator 密码：刚刚重置密码时你设置的密码

![890058c4500e45fc9c04a2dedcceac80.png][]

弹出的无法验证身份，点击是 ！

![22ec2b70d4a44e82ae1b3f436b70180e.png][]

然后就连上我们的服务器了，桌面非常干净，只有一个回收站！

![70273e3dfb5c42f0880fa6e0eb7b36ad.png][]

## 安装pyhton ##

因为服务器上什么环境都没有，我们先来安装python3，在官网随便下一个大于大于3.8的python安装包，选择amd64的exe版本，安装的时候勾选最底下的帮我们添加环境变量

![4caccd6451ed4fa6badbe58602e3355b.png][]

等待一会之后，出现下面这个界面就是安装成功了。

![94cab8e9a1de4e7296309d4ec30973c6.png][]

打开控制台，执行 python -V 和 pip -V ，看看我们的环境变量是否设置成功。

![13f2ee900d984468ac2dd87bf291669e.png][]

## 部署yolov8 ##

去官网将yolov8的源码下载下来

[ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)][ultralytics_ultralytics_ NEW - YOLOv8 _ in PyTorch _ ONNX _ OpenVINO _ CoreML _ TFLite _github.com]

![98e301c624f94b09a0f9bf101b4d0833.png][]

安装项目依赖

pip install ultralytics
    pip install yolo
    
    速度慢的话换国内镜像，在命令后面加上
    -i https://pypi.tuna.tsinghua.edu.cn/simple numpy

### 安装Pytorch ###

到官网安装Pytorch

[Start Locally | PyTorch][Start Locally _ PyTorch]

在安装之前看看自己买的服务器是否有GPU，可以使用命令来查看

*  查看CPU型号：cat /proc/cpuinfo | grep "model name"
 *  查看GPU型号（Nvidia GPU）：nvidia-smi --query-gpu=gpu\_name --format=csv
 *  查看GPU型号（AMD Radeon GPU）：sudo lshw -C display

因为我这台是只有CPU的，因此在官网中选择Stable(稳定版)，系统Linux，用pip来安装吧，然后Compute Platform选择CPU，然后把Run this Command:中的命令👇丢到服务器上去执行

> pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

![9004ba3584b7412cb99299390148af12.png][]

### 下载权重文件 ###

因为项目没有权重文件，跑命令的时候他会自己去官网下载权重文件，但是因为是从github上下载，太慢了，我选择自己下好再拉到服务器上。

![2937bdb2b67e43d6840a3b3b32770cd2.png][]

在yolo中有几种识别模式，因为我们目的只是测试服务器性能，所以我们选择Classify，图像分类模型，他的素材比较好整理。

![203b5157ca574dca881bc9e2a68d744c.png][]

去到官网，找到下图中的模型表，点击model列的模型名字，就会自动下载了，然后丢到我们项目的根目录，不同的模型，识别的速度，目标大小，准确度都不一样，并且对电脑性能的要求也不一样，在官网中都有详细介绍。这里我测试使用的是yolov8s-cls

![ba31129ba5ec458cbf25fcb0038383e8.png][]

项目部署好了，模型有了，接下来就差数据集了，像下图中这种格式，我们只需要以类名称为文件夹，然后在统一放到一个大文件夹下面就好了，因为分类识别只需要识别出这个图片是什么，而不需要知道具体在什么位置，因此不需要进行标注，所以他的数据集是最简单的，这也是为什么我选择这个模型在这里做演示。

![6ecc435cf60f4653b4a0859a3a3bfc86.png][]

### 训练模型 ###

然后我们执行命令来开始训练模型了。

> yolo detect train data=你放数据集的路径 model=yolov8s-cls.pt epochs=100 imgsz=640

执行完发现报了下图的错，缺少msvc-runtime库，使用下面命令安装

> pip install msvc-runtime

![01bdb3660bcb4ea097ed98192a3cd583.png][]

然后再执行一次识别命令，可以看到大概1分钟一轮，

![9e32186884e04d149a0f9a3f4247f857.png][]

看一下性能监视器，我只能说，遥遥领先！说实话我一开始觉得他会直接宕机的，没想到居然可以一分钟一轮的训练，这已经是很好的成绩了

![c1cdc79ee0384fe093155eb98a0c3762.png][]

换成最大的模型再试一次，服务器没有死撑，把任务停掉了，控制台打印内存不足，意料之中，不过能带的动s模型已经很不错了。

![7fadb557ed1d44a58cfce705f4ad764b.png][]

## 模型使用 ##

在一段时间的等待之后，模型训练完成会出现如下信息。

## ![a3f5cde6279140f4b01300b785377dbb.png][] ##

然后在我们项目路径的runs/classify下会有我们每次训练保存的数据，如生成的confusion\_matrix是一个混淆矩阵的可视化图像，用于展示模型在不同类别上的分类效果，通过观察非对角线上的数值，我们可以了解模型在哪些类别上容易发生错误分类，进而对模型进行调整和改进。

![04294d68b7a748cbb622e22c23238631.png][]

打开weights文件夹，这里面就是我们训练好的模型了，可以看到这里有bset和last两个权重文件。

*  best.pt文件保存的是在验证集上表现最好的模型权重。在训练过程中，每个epoch结束后都会对验证集进行一次评估，并记录下表现最好的模型的权重。这个文件通常用于推理和部署阶段，因为它包含了在验证集上表现最好的模型的权重，可以获得最佳的性能。
 *  last.pt文件则保存的是最后一次训练迭代结束后的模型权重。这个文件通常用于继续训练模型，因为它包含了最后一次训练迭代结束时的模型权重，可以继续从上一次训练结束的地方继续训练模型。

简单来说就是best是最好的，last是最后的，所以我们接下来使用这个模型来识别一下。

## ![15a6ef0ff2f341389af3c0cce97e28d6.png][] ##

使用yolo predict来进行识别，model就是我们刚刚训练好的模型，source是你要拿来识别的图片文件夹路径

> yolo predict model=runs/classify/train/weights/best.pt source=datasets/test

![3c2307c4a552485fb43a73957d4fb2b5.png][] 命令执行完成之后，还是在runs/classify 识别结果文件夹名称是predict，在图片左上角，xm 0.97，这个xm就是熊猫的意思，是我自己设置的拼音缩写，因为opencv不支持中文，会出现乱码问题，0.97就是识别的conf，意思他有9.7成把握这是熊猫！

![86768af76a484e43a6c213819a4237a1.png][]

再看一下控制台的监控，我们刚刚在整个训练s模型的过程中，虽然波动有点大，但是对服务器来说还不算构成太大压力。 这一期对云耀云服务器L实例的表现还是相当满意的！

![3d0247b6bddc44c09a16eaafc8ee1385.png][]

[2826ae4b64c24a3c9d9341d2e5301e0e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/abef712af9594ffe8464984566bc4241.png
[bb2c366970f64688b97399e0d2e63aa2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/85e729fd188340e9ae07edfd1c593f00.png
[307da2a35126403b96ae1122bee41e60.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/b26f6a899dd14161b1cb31b29503834a.png
[40496a4c9c124d40951b76a45c6dc1d5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/fb2862fedaa2464a8738a4b0d46e1714.png
[ed8169455d514832852b578d13c0dca4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/c333f977ca1744c1bdd4a9ebca0d6507.png
[7e40d87ba9f446d588dd384423b6eae5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/08c23764b2e448059c725e30d1999a00.png
[1e6211181f7f481da0aae121def1f892.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/f22418738a3645f9b05046e11069ef3a.png
[5b674b59ad004805a632cac14b47b45c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/779565f71d924c76add2c01fda9a091e.png
[890058c4500e45fc9c04a2dedcceac80.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/365194847e2d45408e4d7e24fcd33959.png
[22ec2b70d4a44e82ae1b3f436b70180e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/40f5a817dc644400bdf74f6068914b13.png
[70273e3dfb5c42f0880fa6e0eb7b36ad.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/c8ce8d3061414555b92fb9114f2ff545.png
[4caccd6451ed4fa6badbe58602e3355b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/d0d83083a10f4b3d902dec8568fad145.png
[94cab8e9a1de4e7296309d4ec30973c6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/0b33bb85adf846479f09abaada90862c.png
[13f2ee900d984468ac2dd87bf291669e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/453ac8182bf34ee7859074095b8a2b70.png
[ultralytics_ultralytics_ NEW - YOLOv8 _ in PyTorch _ ONNX _ OpenVINO _ CoreML _ TFLite _github.com]: https://github.com/ultralytics/ultralytics
[98e301c624f94b09a0f9bf101b4d0833.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/408bd826570b4d77bd4743fe3697a20d.png
[Start Locally _ PyTorch]: https://pytorch.org/get-started/locally/
[9004ba3584b7412cb99299390148af12.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/4e3c61ca3fa0479698c35859dd6a2013.png
[2937bdb2b67e43d6840a3b3b32770cd2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/450f72f6702a4847a471800bfbef3fe1.png
[203b5157ca574dca881bc9e2a68d744c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/0a7c1f6723ac44ef9ff7b52fcf599980.png
[ba31129ba5ec458cbf25fcb0038383e8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/724f4323f7a84c549ea64edc3edf2bda.png
[6ecc435cf60f4653b4a0859a3a3bfc86.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/9d7aac7743114c1a8a6b36d8c772f16a.png
[01bdb3660bcb4ea097ed98192a3cd583.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/6865317785b34381b81ceb38d7e3f712.png
[9e32186884e04d149a0f9a3f4247f857.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/fc12e9c94cc641e0b6e6fe58efd8c1ed.png
[c1cdc79ee0384fe093155eb98a0c3762.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/47ff8de989e24a5281c5a7aaeaa219ec.png
[7fadb557ed1d44a58cfce705f4ad764b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/60ebb05e6ee040d8a0926f69402b96e5.png
[a3f5cde6279140f4b01300b785377dbb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/2a5a2a2c10fd4a08a21916f4bbaa9742.png
[04294d68b7a748cbb622e22c23238631.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/2c81d52dd2fb4c758986b4001ee17da7.png
[15a6ef0ff2f341389af3c0cce97e28d6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/b06c550eb55c429c9945121c88832d91.png
[3c2307c4a552485fb43a73957d4fb2b5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/b8b884e12cea4275ac7759fe71ea1a43.png
[86768af76a484e43a6c213819a4237a1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/cddaa1c144a04c24beb5a4943996ae8e.png
[3d0247b6bddc44c09a16eaafc8ee1385.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/23/0f020fe7c3114d8cbc9d3f13fd9ae199.png